#122 Erfolg durch KI? Entdecke den Jobs-to-be-Done Ansatz!

Als Strategie und Innovationsberater habe ich umfangreiche Erfahrungen mit dem Jobs to be Done Framework (Ulwick, Christensen, Clement) gesammelt. Bisher war es ein zeitaufwändiger Prozess, potenzielle Verbesserungen in einem Produktansatz zu verstehen und daraus Möglichkeiten abzuleiten. Die Erstellung einer solchen Tabelle hat mich normalerweise zwei bis drei Tage gekostet.

Künstliche Intelligenz (KI)-Lösungen können uns dabei helfen, unsere Ideen besser zu verstehen und neue Perspektiven einzuführen. In diesem Blogbeitrag werde ich einen Überblick über die Jobs to be Done Theorie nach Ulwick und Outcome Statements geben und anhand eines praktischen Beispiels zeigen, wie ich KI nutzen kann. In dem folgenden Artikel erklären die Autoren Outcome Statements.

Alan Clement beschreibt die Jobs mit einem anderen Ansatz und betrachtet auch die wirkenden Kräfte im Kontext eines Jobs. Wer mehr wissen möchte: When Coffee and Kale compete von Alan Clement.

Das Kräftfeld ähnelt dem Ansatz von Alex Hormozi

Einleitung

In der heutigen schnelllebigen Geschäftswelt ist Innovation der Schlüssel zum Wachstum. Unternehmen müssen die Bedürfnisse ihrer Kunden verstehen, um erfolgreich neue Produkte und Dienstleistungen entwickeln zu können. Doch was genau ist ein Kundenbedürfnis? Überraschenderweise sind sich viele Unternehmen darüber nicht einig. Die Jobs-to-be-Done Theorie von Anthony W. Ulwick bietet hier einen vielversprechenden Ansatz.

Was ist die Jobs-to-be-Done Theorie?

Die Grundidee der Jobs-to-be-Done Theorie ist, dass Kunden Produkte und Dienstleistungen „anheuern“, um bestimmte Jobs bzw. Aufgaben zu erledigen. Sie kaufen keine Produkte, sondern Lösungen für ihre Probleme. Um erfolgreich innovieren zu können, müssen Unternehmen genau verstehen, welche Jobs ihre Kunden erledigen wollen.

Ulwick definiert einen Job als die Aufgabe, die ein Kunde in einer bestimmten Situation erledigen möchte. Ein Job hat immer ein gewünschtes Ergebnis, dass der Kunde erreichen will. Dabei geht es nicht um Produkteigenschaften, sondern um das übergeordnete Ziel des Kunden.

Die Jobs-to-be-Done Theorie stellt eine fundamentale Verschiebung der Perspektive dar – weg von Produkten und Technologien, hin zu den Aufgaben und gewünschten Ergebnissen des Kunden. Das Produkt ist nur ein Mittel zum Zweck, um den Job des Kunden zu erledigen.

Warum bisherige Ansätze oft scheitern

Viele Unternehmen scheitern mit ihren Innovationen, weil sie sich zu sehr auf Produktfeatures und neue Technologien konzentrieren. Sie befragen zwar Kunden, erhalten aber oft unklare oder widersprüchliche Aussagen darüber, was diese wirklich wollen.

Das Problem ist, dass Kunden in Bezug auf mögliche Lösungen befragt werden, nicht in Bezug auf ihre eigentlichen Jobs und gewünschten Ergebnisse. Dadurch erhalten Unternehmen ein verzerrtes und unvollständiges Bild der Kundenbedürfnisse.

Außerdem verwenden Unternehmen oft mehrdeutige Begriffe und interpretieren Kundenaussagen falsch. Auch werden Lösungen und Features mit Bedürfnissen vermischt, was zu Verwirrung führt. All dies macht es schwierig, die eigentlichen Jobs und Bedürfnisse der Kunden zu identifizieren.

Die Lösung: Outcome-Driven Innovation

Um diese Probleme zu lösen, hat Ulwick den Outcome-Driven Innovation (ODI) Prozess entwickelt. Kern des Ansatzes ist es, die Jobs und gewünschten Ergebnisse (Outcomes) der Kunden in den Mittelpunkt zu stellen.

Dazu wird zunächst der Job des Kunden genau analysiert und in einzelne Prozessschritte zerlegt. Für jeden Schritt werden dann vom Kunden die gewünschten Ergebnisse erhoben, anhand derer er den Erfolg der Aufgabenerfüllung misst.

Diese Ergebnisse werden als „Desired Outcome Statements“ formuliert. Sie folgen klaren Regeln, um Mehrdeutigkeiten zu vermeiden:

• Sie sind lösungsfrei formuliert und stabil über die Zeit
• Sie enthalten eine Richtung der gewünschten Veränderung (minimieren/erhöhen)
• Sie enthalten eine Messgröße (Zeit, Menge, Wahrscheinlichkeit etc.)
• Sie sind spezifisch und gleichzeitig kurz und prägnant
• Sie verwenden eine konsistente Terminologie

Durch Interviews und Beobachtungen der Kunden bei der Aufgabenerledigung werden so alle wichtigen Outcomes identifiziert und priorisiert. Daraus ergeben sich dann die Möglichkeiten für Innovationen, mit denen diese Outcomes besser erfüllt werden können als mit bestehenden Lösungen.

Zwischenfazit

Die Jobs-to-be-Done Theorie ermöglicht es Unternehmen, sich auf das Wesentliche zu konzentrieren – die Jobs und gewünschten Ergebnisse ihrer Kunden. Durch die Formulierung als standardisierte Outcome Statements können Kundenbedürfnisse klar, vollständig und einheitlich erfasst werden.

Praktisches Beispiel:

Ein Automobilhersteller möchte ein neues Modell für junge Familien entwickeln. Anstatt sich auf technische Features zu fokussieren, analysiert er zunächst die wichtigsten Jobs, die junge Familien rund ums Auto erledigen möchten, z.B. „Kinder sicher und bequem transportieren“ oder „Einkäufe und Gepäck verstauen“.

Für jeden Job werden nun in Interviews die gewünschten Outcomes erhoben, z.B:

• „Minimiere die Zeit, die benötigt wird, um das Kind im Kindersitz anzuschnallen.“
• „Minimiere das Risiko, dass sich das Kind beim Einsteigen verletzt.“
• „Maximiere den verfügbaren Stauraum bei voller Besetzung.“

Insgesamt werden so 150 Outcome Statements priorisiert. Daraus ergeben sich mehrere Ansatzpunkte für Innovationen, z.B. ein neuartiges Gurtsystem, mehr Platz zwischen den Sitzen sowie ein flexibles Kofferraum-Konzept.

Das Ergebnis ist ein Auto, das konsequent auf die Jobs und Outcomes der Zielgruppe ausgerichtet ist und sich damit klar vom Wettbewerb differenziert. Durch den stringenten ODI-Prozess konnten die Entwicklungszeiten und -kosten reduziert werden, gleichzeitig wird eine hohe Akzeptanz bei den Kunden erreicht.

Wie kann uns die KI bei Formulierung von Outcome Statements helfen?

In der PDF finden wir diese gute Übersicht zur Struktur von Desired Outcome Statements

Idealerweise geben wir eine schwach formulierte Idee ein:

Wir wollen ein Miroboard aufbauen das einem Projektleiter hilft zu untersuchen wie KI-Lösungen ihm helfen können Projekte zu planen. Das Board ist nur für den Projektleiter

Output der KI:

Kreative Exploration für ein Miroboard für Projektleiter zur Planung von KI-Projekten

Beschreibung der Idee/Produkts:

Das vorgeschlagene Miroboard ist eine interaktive Plattform, die Projektleitern speziell dabei hilft, den Einsatz von KI in ihren Projekten zu planen und zu visualisieren.

Zielgruppe:

Projektleiter, die in technologieorientierten Unternehmen tätig sind und KI-Lösungen in ihre Projekte integrieren möchten.

Jobs to be Done:

1. Verstehen, wie KI in verschiedenen Aspekten des Projekts eingesetzt werden kann.
2. Planung und Visualisierung des Einsatzes von KI in Projekten.
3. Effiziente Organisation und Priorisierung von Projektaufgaben durch KI-Einsatz.

Potenzielle Einschränkungen ohne das Produkt:

Projektleiter könnten Schwierigkeiten haben, die Potenziale von KI in ihren Projekten zu erkennen und zu visualisieren. Die Planung könnte ohne spezielle Tools unübersichtlich und zeitaufwendig sein.

Verbesserungsmöglichkeiten durch das Produkt:

Das Miroboard kann durch spezifische Tools und Vorlagen die Visualisierung und Planung von KI-Integration in Projekten vereinfachen und beschleunigen.

Daten für Outcome Statements:

1. Direction of Improvement: Minimieren
   Performance Metric: Zeitverbrauch für die Erstellung von KI-Integrationsplänen
   Object of Control: Planungswerkzeuge im Miroboard
   Contextual Clarifier: für komplexe Projekte
   Outcome Statement: „Minimiere den Zeitverbrauch für die Erstellung detaillierter KI-Integrationspläne durch den Einsatz spezifischer Planungswerkzeuge im Miroboard für komplexe Projekte.“
2. Direction of Improvement: Maximieren
   Performance Metric: Klarheit und Verständlichkeit der KI-Projektvisualisierung
   Object of Control: Visualisierungswerkzeuge im Miroboard
   Contextual Clarifier: bei der Planung von KI-Projekten
   Outcome Statement: „Maximiere die Klarheit und Verständlichkeit der Visualisierung von KI-Projekten durch fortschrittliche Visualisierungswerkzeuge im Miroboard.“
3. Direction of Improvement: Minimieren
   Performance Metric: Einarbeitungszeit für neue KI-Technologien
   Object of Control: Lernressourcen und -module im Miroboard
   Contextual Clarifier: für Projektleiter ohne vorherige KI-Erfahrung
   Outcome Statement: „Minimiere die Einarbeitungszeit in neue KI-Technologien für Projektleiter durch integrierte Lernmodule und Ressourcen im Miroboard.“
4. Direction of Improvement: Maximieren
   Performance Metric: Effizienz der Projektplanung
   Object of Control: Automatisierte Planungsfunktionen im Miroboard
   Contextual Clarifier: bei der Integration von KI in Projekte
   Outcome Statement: „Maximiere die Effizienz der Projektplanung durch den Einsatz automatisierter Planungsfunktionen im Miroboard bei der Integration von KI in Projekte.“
5. Direction of Improvement: Minimieren
   Performance Metric: Fehlerquote bei der KI-Integration
   Object of Control: Fehlererkennungstools im Miroboard
   Contextual Clarifier: während der Projektumsetzung
   Outcome Statement: „Minimiere die Fehlerquote bei der Integration von KI in Projekte durch fortschrittliche Fehlererkennungstools im Miroboard während der Projektumsetzung.“

Fazit

Wenn wir die KI-Analyse des Desired Outcome Statements in einen Workflow legen, können wir mit halbfertigen Ideen starten und die KI hilft uns diese Ideen anzureichern, zu bewerten oder auch neue Ideen dazu zu entwickeln.